面向局限不确定性下的邻域一致神经滤波器：用于鲁棒个人声区

坐标条件化神经网络可实时生成头部跟踪的个人声区（PSZ）喇叭滤波器，但对局限不确定性敏感。由于光学畸变、暂时遮挡或跟踪抖动导致的估计听者坐标小波动，即使听者实际静止不动，也可能产生大的滤波器变化。本文提出了邻域一致神经滤波器，通过在训练时对随机扰动的邻域坐标处对滤波器差异进行惩罚，从而正则化坐标到滤波器的映射。为评估对跟踪噪声的鲁棒性，我们引入了一个解耦协议，在固定声学传递函数的物理锚点处，仅扰动用于滤波器生成的坐标输入。通过邻域中位数和下尾统计量评估隔离质量和局部稳定性，以及量化坐标邻域内指标灵敏性的空间变率。仿真中采用分频 Woofer-Tweeter 系统和 25 个随机抽取的锚点位置，邻域一致性在 Woofer 频段将均方根（RMS）变率降低最高可达 55.9%，在 Tweeter 频段降低 30.3%，同时基本保持隔离质量并提升下尾鲁棒性。在实际就地测量中，使用 24 驱动器阵列和两个静止的头部-躯干模拟器，所提出的正则化使最坏情况邻域隔离提升最高可达 16.9%，空间变率降低最高可达 61.8%。这些结果表明，邻域一致性正则化有效地稳定了局限不确定性下的 PSZ 渲染。